Deep Learning wird zweifellos eine Schlüsselrolle bei der Automatisierung und Verbesserung der täglichen Abläufe von Versicherern spielen, die Bilder, Texte und Audio verarbeiten. Mittelfristig dürfte es jedoch keinen tiefgreifenden Einfluss auf ihr Kerngeschäft haben: das Risikomanagement.
Dieser kurze Beitrag teilt unsere Sicht auf den Einsatz von Deep-Learning-Technologien in der Versicherungsbranche.
Was Deep Learning ist, und etwas Geschichte
Deep Learning ist eine Familie von Verfahren des maschinellen Lernens, die von neuronalen Netzen inspiriert sind und mehrere Modellschichten umfassen. Der Begriff ist zum Teil ein Schlagwort (eine neue Bezeichnung für neuronale Netze, nun mit mehr Schichten) und deckt eine große Bandbreite von Algorithmen ab, darunter Convolutional Neural Networks, rekurrente neuronale Netze und Long-Short-Term-Memory-Netze.
Seine Wurzeln reichen bis in die Mitte des 20. Jahrhunderts zurück. Das erste biologisch inspirierte algorithmische neuronale Netz war 1957 das Perzeptron von Rosenblatt.
Der erste große Schritt folgte in den 1980er-Jahren, als mit den Gradientenverfahren endlich ein geeigneter Rahmen zur Parameteroptimierung auf neuronale Netze angewendet wurde. Die Wirksamkeit dieser neuen Methoden war damals noch keineswegs belegt.
Erst in den 2010er-Jahren kam es zu einer doppelten Revolution: beim Datenvolumen (mit der Veröffentlichung des ImageNet-Datensatzes) und bei der Rechenleistung (Nvidias CUDA-GPUs erreichten eine Billion Operationen pro Sekunde). Deep Learning begann daraufhin, alle anderen Methoden in der Bildverarbeitung und nach und nach auch in der Verarbeitung natürlicher Sprache zu übertreffen.
Es folgte eine Revolution, die sich mit unglaublicher Geschwindigkeit verbreitete, innerhalb von etwa anderthalb Jahren.
Wie funktioniert es?
Kurz gesagt läuft das Verständnis von Deep Learning auf zwei Aspekte hinaus: die Architektur und die Backpropagation.
Die Architektur eines neuronalen Netzes umfasst viele Neuronen, die in aufeinanderfolgenden Schichten miteinander interagieren. Sie stehen für ebenso viele Parameter (Anzahl der Schichten, Art der Interaktion, Gewicht jeder Zelle), die die Maschine lernt, indem sie diese Architektur mit realen Daten konfrontiert.
Dann folgt die Backpropagation. Die Idee ist sehr einfach: Jedes Mal, wenn ein neuer Datenpunkt in das Netz gelangt, erzeugt die Ausgabe einen Fehler (gemessen durch eine Verlustfunktion). Dieser Fehler wird rückwärts weitergegeben, um jedem Neuron seinen Anteil zuzuordnen. Mit diesen Beiträgen werden die Gewichte per Gradientenabstieg optimiert, bis die Verlustfunktion minimiert ist.
Die eigentliche Magie besteht darin, dass beim Deep Learning alles gleichzeitig optimiert wird.
Das sind die Grundprinzipien. Es geht hier nicht um technische Details, sondern um die Schlüsselelemente, die den Erfolg des Deep Learning ausmachen.
Was braucht es in der Praxis, damit es funktioniert?
- Ein großes Datenvolumen: Bei Hunderttausenden zu kalibrierenden Parametern muss die Zahl der Beobachtungen deutlich höher sein.
- Die richtige Art von Eingabedaten, für die ein Mehrwert nachgewiesen ist. Typischerweise sind das unstrukturierte Daten: Bilder, Texte und Audio. Die Intuition dahinter: Komplexe, tiefe neuronale Netze bringen den größten Mehrwert, wenn die zugrunde liegenden Variablen schwer abzuleiten sind, wie es bei Bildern, Texten und Audio typischerweise der Fall ist.
- Bei anderen Anwendungen mit strukturierten Daten hat Deep Learning gegenüber klassischen Algorithmen des maschinellen Lernens weniger bedeutende Fortschritte gezeigt.
Zwei klassische Beispiele verdeutlichen das: Bilder und Texte.
Eine der großen Familien von Deep-Learning-Architekturen für die Bildverarbeitung sind Convolutional Neural Networks. Sie erkennen verschiedene Teile eines Bildes, konzentrieren sich auf jeden davon und setzen sie dann zusammen, um das Bild zu klassifizieren. Diese Methoden lernen Konturen, Formen, Positionen, Kontraststufen und mehr. Darin liegt der eigentliche Wert; die endgültige Entscheidung beruht dann auf relativ einfachen Regeln.
Sobald Daten eine historische oder zeitliche Dimension haben, kommen rekurrente neuronale Netze zum Einsatz, von denen eines der bekanntesten das LSTM (Long Short-Term Memory) ist.
Sie enthalten Schleifen, mit denen sie die Vergangenheit kurz- und langfristig berücksichtigen können: Die Information wird dauerhaft. Das bekannteste Beispiel ist die Vorhersage eines Wortes in einem Satz. Es braucht einen Gedächtniseffekt, um das letzte Wort des Satzes „Ich lebe seit fünf Jahren in Frankreich … ich spreche fließend Französisch“ abzuleiten. Ein Standardmodell könnte lernen, dass auf „ich spreche fließend“ der Name einer Sprache folgt; um vorherzusagen, dass es Französisch ist, braucht das Modell ein Gedächtnis, weil „Frankreich“ weiter vorne im Satz steht.
LSTMs lassen sich auch als Deep-Learning-Pendant zu ökonometrischen Zeitreihenmodellen verstehen. Wir sind überzeugt, dass diese Ansätze noch große Innovationsmöglichkeiten bieten, sowohl im Finanzwesen, wo Zeitreihen allgegenwärtig sind, als auch in der Versicherung, wo Zeitreihen und raumzeitliche Reihen immer präsenter werden (dazu weiter unten mehr).
Ein Eldorado für die Versicherung?
Deep Learning hat der künstlichen Intelligenz neuen Schwung gegeben und tut es weiterhin. Doch es wird nicht alle Probleme der Versicherer lösen. Ein genauerer Blick zeigt, wo Deep Learning in der Versicherung wenig und wo es viel Wert bringen dürfte.
Bis heute kann niemand vollständig erklären, warum Deep Learning bei so vielen Anwendungsfällen so gut funktioniert: Es eignet sich daher nicht von Natur aus für die Interpretation.
Eine der Hauptaufgaben eines Versicherers ist es jedoch, Risiken und ihre Faktoren zu verstehen, um sie bestmöglich zu verhindern und zu steuern.
Interpretierbarkeit ist aus mehreren Gründen nötig: Regulierung, Prüfung, Entscheidungsfindung und Stabilität. Sie ist ein aktives Forschungsfeld in der Versicherung, bei Großkonzernen wie bei Insurtech-Start-ups. Die Idee besteht darin, das Ergebnis des Deep Learning mit einem interpretierbaren Modell zu erklären … doch das ist erst der Anfang.
Das erklärt in Kürze, warum Deep Learning bei reinen Risikoanwendungen, mit denen Versicherer zu tun haben, keinen offensichtlichen Einsatzzweck hat.
Es gibt jedoch viele andere Anwendungen in der Versicherung, und das Feld ist sehr aktiv. Warum?
Versicherung ist ein Informationsgeschäft, das auf Informations- und Datenflüssen beruht, und ein großer Teil dieser Daten besteht heute aus Bildern, Texten und Audio. Wie gesagt ist der Mehrwert von Deep Learning bei diesen unstrukturierten Daten offensichtlich. Die wichtigsten Bereiche, in denen Deep Learning das Versicherungsgeschäft verändert, sind vermutlich:
Kurzfristig:
- Schäden, etwa die Bewertung der Schadenhöhe anhand von Bildern;
- Betrug, erkannt in Bildern, Sprache und Texten;
- Kundenerlebnis und neue Services: Zufriedenheit, Sofortangebote;
- erweiterte Intelligenz in der robotergestützten Prozessautomatisierung (die das operationelle Risiko verlagern kann);
- parametrische Versicherungen für Landwirtschaft, Viehzucht und alle wetterabhängigen Tätigkeiten.
Und langfristig noch mehr:
- alle vom IoT erzeugten Daten, zum Beispiel raumzeitliche Reihen aus vernetzter Gesundheit oder Telematik.
Diese Anwendungen sind zahlreich. Sie sollen den Service und damit die Kundenzufriedenheit sowie die Effizienz verbessern.
Fazit: Deep Learning wird kurzfristig nicht alle Datenanalyseanforderungen der Versicherer abdecken, deren Aufgabe vor allem darin besteht, Risiken zu verstehen und die entsprechenden Modelle und Algorithmen zu interpretieren. Heute ist Deep Learning noch nicht gut verstanden und liefert daher noch nicht die Modelle, die sie brauchen.
Dennoch wird Deep Learning in der Versicherung kurz- wie langfristig massiv eingesetzt werden, überall dort, wo es Bilder, Texte, Audio und IoT-Daten gibt.
Das wirft eine große grundsätzliche Debatte über die Zukunft und die Rolle der Mitarbeitenden auf. Wie wird sich das tatsächlich auf die Berufe in der Versicherung auswirken? Werden Mitarbeitende massenhaft ersetzt, oder wird sich die Rolle des Menschen verändern?
